A maioria dos produtos de IA falha em uma dimensão que nada tem a ver com a qualidade do modelo. Eles falham em honestidade — não no sentido de mentira aberta, mas pelos caminhos mais silenciosos: esconder o que uma chamada custa, afirmar besteira com confiança e sem ressalva, deixar sumir um estado que não dá para recuperar, e nunca aprender com o atrito que causam. Essas falhas são escolhas de design, mesmo quando parecem descuido.
Abaixo está o quadro de cinco padrões que usamos internamente no ToRun para avaliar cada superfície que construímos. Não afirmamos passar sempre. Afirmamos que essas são as perguntas certas.
Transparência: mostrar o estado real e o custo real
O padrão desonesto clássico é um vago «alguns créditos foram consumidos». Cobrança transparente significa poder olhar qualquer chamada passada e reconstruir exatamente o que foi cobrado e por quê — fornecedor, modelo, modalidade, unidades consumidas, tarifa no momento da execução, conversão de moeda se houver e a margem da plataforma. Se faltar qualquer um desses campos, ou se for estimado depois do fato, a fatura é ficção.
Uma falha de transparência mais sutil é esconder a escolha de modelo. Se um produto rebaixa em silêncio sua solicitação para um modelo mais barato porque você bateu um limite brando, você pode receber uma resposta pior sem nunca saber. O honesto é dizer qual modelo rodou, por que foi escolhido e quais eram as alternativas. A decisão de roteamento deveria ser inspecionável, não uma caixa-preta.
A transparência vale também para estado. Se há um trabalho em segundo plano rodando por você, a interface deveria dizer isso e te dar um jeito de parar. Indicadores de «processando» que não dá para cancelar são pequenas mentiras.
Reversibilidade: deixar desfazer
A irreversibilidade é a falha de interface mais subestimada em produtos de IA. Você pede a um fluxo que envie um e-mail ou publique em um canal, ele dispara na hora, e o único remédio é uma mensagem de desculpas escrita à mão. Sem etapa intermediária. Sem confirmação quando há muito em jogo. Sem desfazer.
O padrão de reversibilidade exige que produtos distingam operações de leitura e de escrita, mostrem etapas de confirmação para ações com consequência e segurem o estado tempo suficiente para que erros sejam notados. Para conteúdo gerado por IA, isso significa que rascunhos existem antes da publicação, que artefatos gerados são recuperáveis após exclusão e que sessões de chat podem ser exportadas ou ramificadas antes de você perdê-las.
A reversibilidade vale também para configuração. Se mudar um ajuste tem efeitos adiante — por exemplo trocar o modelo padrão de todas as sessões futuras — o produto deveria dizer o que vai mudar antes de mudar, não depois.
Cuidado antecipado: avisar antes do dano, não depois
Um produto honesto diz «esta mensagem vai consumir uma parte relevante do seu saldo» antes da chamada, não em um recibo depois. Ele diz «esta etapa de fluxo não tem tratamento de erro; se a ferramenta anterior falhar, a execução vai parar em silêncio» enquanto você a constrói, não durante um incidente às duas da manhã.
Cuidado antecipado significa que o produto modela o que poderia dar errado do ponto de vista de quem usa e expõe isso no ponto de decisão. É mais difícil do que parece, porque exige que o produto entenda a intenção e não só execute comandos. Quem pede uma geração em lote de 200 imagens provavelmente quer saber o custo estimado antes, mesmo sem pedir explicitamente.
O padrão de falha aqui é otimizar para conversão — suprimir avisos de custo porque causam hesitação. No curto prazo isso pode elevar a ativação. No longo prazo ensina as pessoas a não confiarem em você.
Honestidade epistêmica: dizer o que não se sabe
Modelos de IA alucinam. Todo time que constrói produtos de IA sabe disso. A resposta de design desonesta é apresentar as saídas do modelo com confiança uniforme e deixar o problema ser descoberto depois. A resposta honesta é construir caminhos explícitos de sinalização de incerteza.
Isso significa: quando um modelo cita fontes, as citações precisam ser reais e clicáveis. Quando um modelo diz «segundo minha data de corte de treinamento», essa ressalva precisa continuar visível na interface e não ser cortada em nome de um texto mais limpo. Quando respostas com recuperação caem no conhecimento paramétrico porque nenhum trecho relevante foi encontrado, a resposta deveria dizer isso em vez de apresentar a resposta paramétrica como fundamentada.
A honestidade epistêmica se estende ao próprio produto. «Este recurso é experimental» não é um aviso para esconder — é a informação necessária para calibrar a confiança. Se existe um escore de confiança e ele está baixo, mostre. Se o pipeline de roteamento desviou para um modelo secundário porque o principal estava indisponível, diga isso nos metadados da chamada.
Ciclo de aprendizado: fechar o circuito de retorno
A falha de interface mais insidiosa é um produto que nunca melhora em te servir porque nunca observa onde te frustrou. Clicar quatro vezes com raiva em um botão que parece desabilitado mas não está é um sinal. Abandonar regularmente uma geração no meio é um sinal. Escrever a mesma correção depois de cada resposta é um sinal.
Uma plataforma honesta captura esses sinais de forma exposta, usa-os para melhorar roteamento e padrões, e mostra o que aprendeu. Não «usamos seus dados para melhorar o produto» em uma nota de rodapé dos termos de uso — mas um retorno visível: «percebemos que em tarefas de código você troca com frequência do modelo escolhido automaticamente para um específico; quer torná-lo seu padrão?».
O ciclo de aprendizado também inclui admitir quando a plataforma errou. Se um modelo produziu uma resposta factualmente errada que foi corrigida, essa correção vale mais que mil sinais de polegar para cima. Tratá-la assim é um ato de honestidade com quem usa o sistema e com a própria calibração do produto.
A régua
Nenhum desses cinco padrões é tecnicamente difícil de implementar. O difícil é priorizá-los, porque às vezes eles derrubam métricas de engajamento no curto prazo. Quem vê avisos de custo hesita. Quem vê avisos de incerteza confia menos em respostas isoladas. Quem pode desfazer fica menos preso.
A aposta do design honesto é que esses atritos constroem confiança duradoura, e que confiança duradoura é a única fundação sobre a qual um produto se sustenta em uma categoria tão consequente quanto a IA. As plataformas que pulam a régua de honestidade não estão construindo relações — estão administrando uma extração lenta. A diferença aparece no cancelamento, no volume de suporte e no tipo de indicação boca a boca que de fato soma.
Avaliamos cada superfície do ToRun contra esses cinco padrões antes de lançar. Mesmo assim erramos. Quando isso acontece, a trilha de auditoria está exposta o bastante para que possam nos dizer.